Prediktionsmodell för förlust av cirkulation baserad på borrparametrar med PSO-BP neuralt nätverk

Varför det är viktigt att borrslammet stannar i hålet

När företag borrar djupt i marken efter olja och gas förlitar de sig på tungt slam för att hålla brunnen under kontroll. Om slammet plötsligt försvinner in i sprickor i berget måste arbetet stoppas, kostnaderna skjuter i höjden och farliga händelser som blowouts blir mer sannolika. Denna artikel beskriver ett nytt sätt att upptäcka sådana förluster tidigt, med en smart datormodell som lär sig från verkliga borrdata och kan varna ingenjörer innan små problem blir allvarliga olyckor.

Vad det betyder när brunnen börjar "dricka"

Under borrning skickar pumpar slam ner genom borrsträngen och tillbaka upp i utrymmet mellan röret och bergväggen, vilket transporterar borrkax och balanserar underjordiska tryck. Förlust av cirkulation uppstår när detta slam försvinner in i omgivande berg istället för att återvända till ytan. Det kan sippra genom naturliga sprickor och porer, eller trycka upp nya brott om slammet är för tungt. Oavsett mekanism ser ytbemanningen mindre slam komma tillbaka, och brunnen kan snabbt bli instabil, vilket leder till kollaps, fastkilar rör eller en kick, där formationens vätskor rusar in i hålet.

Att läsa slammet som vitala tecken

På fältet registreras många mätvärden varannan sekund: hur mycket slam som finns i yttankar, hur snabbt det flödar in och ut ur brunnen, trycket som behövs för att driva det ner i hålet, hur snabbt borrkronan skär, och hur tungt borrsträngen är belastad. Författarna visar att inget enskilt värde räcker för att pålitligt upptäcka problem; istället spelar mönster över flera signaler roll. Genom både statistiska metoder och expertkunskap från borrpersonal begränsar de en lång lista paramatrar till en liten uppsättning som bäst speglar förlusthändelser: total pitvolym, standpipe-tryck, differensen mellan inflöde och utflöde, top drive- (eller krok-) belastning, penetrationshastighet, slamtäthet och borrhålets riktning. Tillsammans fungerar dessa som vitala tecken för brunnens hälsa.

Att lära en digital svärm att upptäcka problem

Teamet bygger sitt varningssystem runt en typ av artificiellt neuralt nätverk, en flexibel modell som kan lära sig komplexa samband dolda i data. På egen hand kan dock denna typ av nätverk lära sig långsamt och fastna i suboptimala lösningar. För att lösa detta parar forskarna det med partikelsvärmsoptimering, en algoritm inspirerad av fågelflockars sökande efter föda. Varje "partikel" i svärmen representerar en möjlig uppsättning nätverksinställningar. Genom att jämföra hur väl varje uppsättning förutspår tidigare förlusthändelser rör sig svärmen gemensamt mot bättre lösningar. På detta sätt används partikelsvärmsoptimering för att finjustera nätverkets interna kopplingar innan slutlig träning, vilket gör det snabbare och mer stabilt.

Från brusiga fältdatapunkter till tidiga varningar

Verkliga borrdata är stökiga, med saknade värden, sensorns brus och enstaka felaktiga mätningar. Författarna rensar först sin datamängd från flera brunnar i västra Kina, tar bort avvikare, kodar beskrivande fält och skalar alla tal till ett gemensamt intervall så att ingen variabel dominerar. De analyserar sedan hur starkt varje parameter relaterar till förlustincidenter och behåller endast dem som tillför distinkt information. Efter att ha tränat den hybrida modellen på dussintals registrerade slamsförlust- och normala intervaller testar de den på nya avsnitt av brunnarna. Modellen följer inte bara uppgångar och nedgångar i nyckelparametrar utan omsätter också dessa mönster i en tydlig prognos om huruvida en förlust är sannolik.

Hur väl den smarta övervakaren presterar

För att bedöma om detta nya angreppssätt är värt att använda i fält jämför författarna det med flera alternativ: ett vanligt neuralt nätverk och versioner finjusterade med två andra optimeringstekniker. De använder standardmått för fel och visar att det partikelsvärmsfinjusterade nätverket förutspår förlust av cirkulation mer exakt än de andra, och matchar verkliga fältobservationer med mycket mindre avvikelser. I testbrunnar identifierar modellen korrekt zoner där slam kommer att förloras och uppskattar omfattningen av problemet, vilket ger ett användbart förvar innan borrningen avslutas.

Vad detta betyder för säkrare och billigare borrning

Enkelt uttryckt visar studien att en kombination av praktisk borrningskunskap och avancerade mönsterigenkänningsverktyg kan skapa ett pålitligt tidigt varningssystem för när brunnen börjar "läcka" slam in i berget. Genom att övervaka ett litet antal noggrant utvalda signaler och låta en digital svärm finjustera prognosmotorn uppnås hög noggrannhet och undvikande av missade larm. Om metoden byggs in i realtidsövervakningssystem kan den hjälpa borrarteam att reagera tidigare—justera slamegenskaper eller driftförhållanden innan svåra förluster inträffar—minska risk, spara tid och pengar samt erbjuda en mall för liknande säkerhetsverktyg i andra underjords- och konstruktionsprojekt.

Citering: Wang, Z., Yang, M., Du, P. et al. Prediction model of lost circulation based on drilling parameters with PSO-BP neural network. Sci Rep 16, 13976 (2026). https://doi.org/10.1038/s41598-026-44613-2

Nyckelord: förlust av cirkulation, borrsäkerhet, neuronätverk, partikelsvärmsoptimering, tidig varning